![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器阅读笔记
分析各种机器阅读相关论文中的知识点
青橘短衫.
这个作者很懒,什么都没留下…
展开
-
Simple and Effective Text Matching with Richer Alignment Features(简单有效的文本匹配和更丰富的对齐功能)
摘要用于通用目的文本匹配的神经网络方法,一个用于用于序列间对齐方法的文本匹配模型,只需要保持三个关键特征:原始点乘特征、先前的对齐特征和上下文特征,同时简化所有剩余的组件。我模型在参数较少的所有数据集上的性能与最新水平不相上下,推理速度比同类模型快至少6倍。介绍两个文序列的语义对齐和比较是神经文本匹配的关键。更加有效地模型可以通过多个序列间对齐层来建立,而不仅仅只是通过单一的对齐过程中的比较结果来做出预测,具有多个排列层的叠层模型保持其中间状态,并逐渐细化其预测结果。本匹配方法中存在的许多慢原创 2020-08-07 21:43:31 · 1121 阅读 · 0 评论 -
迁移和调整预训练的transformer以选择答案句子Transfer and Adapt Pre-Trained Transformer Models for Answer Sentence
摘要原创 2020-08-02 19:14:59 · 574 阅读 · 0 评论 -
基于潜在聚类的比较聚合模型在答案选择中的应用
摘要作者利用预训练模型计算输入文本的向量表示并应用了迁移学习的方法。作者提出了基于潜在聚类的比较聚合模型,来计算目标语料库中的附加信息,并将目标函数从列表式变为点式,从而增强了比较聚合模型。方法1 Comp-Clip 模型该模型是作者使用的基线模型,有四个部分组成:(1)文本表示:问题Q和答案A都用向量表示。Q = σ (Wi Q) ⊙ tanh(Wu Q),A = σ (Wi A) ⊙ tanh(Wu A),(2)注意力机制:每个元素的软对齐都是通...原创 2020-08-01 17:48:09 · 309 阅读 · 0 评论 -
Open-Domain Question Answering
https://zhuanlan.zhihu.com/p/93347083转载 2020-05-25 11:06:18 · 376 阅读 · 0 评论 -
Long Short-Term Memory-Networks for Machine Reading
https://zhuanlan.zhihu.com/p/26066050转载 2020-05-25 11:03:22 · 441 阅读 · 0 评论 -
问答系统综述
https://blog.csdn.net/class_guy/article/details/81535287https://blog.csdn.net/u012892939/article/details/79476756?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase&depth_1-utm_source=distribute.pc_relevant.no转载 2020-05-25 11:02:34 · 349 阅读 · 0 评论 -
Teaching Machines to Read and Comprehend
https://www.jianshu.com/p/403be579eaee转载 2020-05-25 11:00:30 · 114 阅读 · 0 评论 -
Key-Value Memory Networks for Directly Reading Documents
https://blog.csdn.net/ljp1919/article/details/83030964转载 2020-05-25 10:58:30 · 141 阅读 · 0 评论 -
多任务学习
https://zhuanlan.zhihu.com/p/27421983转载 2020-05-03 14:27:53 · 154 阅读 · 0 评论 -
词袋模型TF-IDF算法
https://blog.csdn.net/ACM_hades/article/details/93085783转载 2020-05-03 14:07:15 · 243 阅读 · 0 评论 -
阅读Wikipedia来回答开放域问题(Reading Wikipedia to Answer Open-Domain Questions)
摘要本文提出利用维基百科作为唯一的知识源来解决开放域问答问题:任何一个(仿真陈述)factoid问题的答案都是维基百科文章中的一个文本跨度。这项大规模机器阅读的任务结合了文献检索(找到相关文章)和机器理解文本(从这些文章中找出答案跨度)的挑战。我们的方法将基于bigram散列和TF-IDF匹配的搜索组件与训练用于检测维基百科段落答案的多层递归神经网络模型相结合。我们在多个现有QA数据集上的实验...原创 2020-05-05 11:00:03 · 1287 阅读 · 0 评论